Auto Code

Auto Code 归属「Auto」命名的一类自动化模型序列，但厂商、版本与训练细节均无公开说明。它与单纯的代码补全工具不同：输入侧接受文本、图像、音频、视频与文件，输出侧覆盖文本与图像，配合推理、工具调用、结构化输出与温度调节，能够承担从素材理解到成品产出的整段流程。最突出的规格是 200 万 tokens 的上下文窗口和 65536 tokens 的单次最大输出，对应「一次读完再写长」的使用方式——长代码库审计、多份合同比对、长会议材料整理这类任务可以少做切片与分段拼接。结构化输出与温度调节的存在，说明它考虑了工程化落地，便于在流水线中约束返回格式。需要提示的是，本站暂无该模型的第三方跑分，已收录平台数为 0，官方价格字段为负值，属于异常或占位数据。它更适合被当作规格可用、但须自行验证的候选模型，而不是能直接依榜单或报价做决策的成熟选项。

选型建议需要超长上下文、多模态输入与工具调用一体化流程的团队可以小流量试用；在厂商信息与真实报价明确之前，不建议将其放入有成本或合规硬约束的生产链路。

• 将整个代码仓库或多份长文档一次性送入，做跨文件的重构建议与一致性检查
• 把会议录音、截图与说明文档混合上传，生成结构化纪要与待办清单
• 借助工具调用与结构化输出接入内部流水线，自动产出格式固定的报告
• 对长视频或图文素材做要点提取，再生成对应的配图说明文案

官方未公开模型卡与参数规模，只能依据接口能力与上下文规格做定性判断，具体层数、注意力实现等细节公开资料较少。

• 结构从超长上下文与多模态输入的组合看，偏向统一处理长文档与混合媒体素材的架构路线，但缺少公开说明，无法确认具体网络设计。
• 能力接口同时提供推理、工具调用、结构化输出与温度调节，说明它按通用 Agent 后端设计，便于接入工作流而非只做单轮问答。
• 披露厂商信息缺失，没有模型卡、训练数据说明或版本号，架构判断只能停留在功能层面，正式选型前应向供应方索取技术说明。

没有可引用的第三方跑分，性能只能依据能力清单与上下文规格做定性描述，实际表现需以自测为准。

• 强项200 万 tokens 上下文配合 65536 tokens 单次输出，适合一次性吞下长文档、代码库或多段音视频材料后做连续生成。
• 短板缺少公开跑分与实测反馈，推理深度、长上下文的实际有效利用率、多模态对齐质量都难以预判，稳定性需要自行压测。
• 适合需要超长上下文与多模态输入的自动化编码、文档处理任务；对延迟和成本极敏感的高频轻量调用则未必划算。

官方价格字段显示为负值，属于异常或占位数据，不能当作真实报价用于成本核算。

• 定价口径标价为 -1000000 美元/百万 tokens，明显不合常理，说明价格尚未填实或记录异常，无法据此估算单次调用成本。
• 横向对比同组对比模型的价差列全部为空，无法计算相对贵贱；grok 系列与 deepseek 变体虽有具体报价，但与本模型不可直接比价。
• 平台差价目前仅 OpenRouter 一处报价，且与该异常标价一致，缺少第二家渠道做交叉验证，渠道议价空间无从判断。
• 省钱在拿到正式定价前，建议先用小流量试跑统计单任务的 token 消耗，再与已有低价模型按单位任务成本对照。

同一个模型在不同网关的报价可能不同。本页基准取官方口径 $-1000000/M / $-1000000/M（输入 / 输出，美元 / 百万 tokens），其余来源的差价在「相对输入价」列列出，供比价参考。

取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价

• 口径厂商未知、收录平台数为 0、无第三方跑分，所有结论仅基于接口参数与能力清单，不能视为评测结果。
• 边界200 万上下文是上限而非保证，长输入下的有效召回与输出质量需自行验证；价格字段异常，成本相关判断暂不成立。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。